4.

Distribuições de probabilidade de variáveis discretas [Capítulo 4]

Distribuição Uniforme Discreta

Quando a variável aleatória discreta X assume um conjunto finito de valores equiprováveis. A função
1
de probabilidade é dada por: 𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) = , sendo 𝑛, o número de casos possíveis.
𝑛

A média e a variância de X são, respetivamente:

∑𝑛𝑖=1 𝑥𝑖 2
∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1(𝑥𝑖 2 − 𝜇 2 )
𝐸 (𝑋) = 𝐸 (𝑋 ) = 𝑒 𝑉𝑎𝑟(𝑋) = = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2
𝑛 𝑛 𝑛

Exemplo: Lançamento de um dado uma vez

1
A probabilidade de sair cada um dos números inscritos em cada face do dado é a mesma: = 0,167.
6

X – "Número obtido após o lançamento de um dado equilibrado"

𝑥 1 2 3 4 5 6
𝑓(𝑥) 0,167 0,167 0,167 0,167 0,167 0,167

1
2
 Distribuição Binomial

Sendo “𝑛” o número de vezes que a experiência aleatória é repetida, “𝑝” a probabilidade de sucesso,
e “𝑥” o número de sucessos nas “𝑛” repetições da experiência, a função de probabilidade de uma
variável aleatória associada a uma distribuição binomial é dada por:
𝑛!
𝑓(𝑥 ) = C𝑥𝑛 ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥 = ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥 , para 𝑥 = 0, 1, 2, …,
𝑥!(𝑛−𝑥)!

Na fórmula anterior, são usadas combinações acontece porque há várias sequências possíveis de
resultados nas quais “𝑥” sucessos podem ocorrer e todas têm de ser contabilizadas.
𝑛!
𝐶𝑥𝑛 =
𝑥! (𝑛 − 𝑥 )!

Seja X uma variável aleatória que segue uma Distribuição Binomial, a sua média é: 𝐸(𝑋) = 𝑛 ∗ 𝑝
E a sua variância é: 𝑉𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝜇𝑋 )2 ] = n ∗ p ∗ (1 − p)

A não ser que “𝑛” seja relativamente pequeno, o cálculo probabilístico com funções de probabilidade
que seguem uma distribuição binomial pode tornar-se bastante trabalhoso. Muitas vezes, é mais
simples calcular essas mesmas probabilidades por aproximação (ver tabelas).

3
Exemplo: Suponha que temos uma urna com 3 bolas azuis e 7 vermelhas. Retirando sequencialmente
e com reposição 3 bolas, qual o número de bolas azuis que pode sair?

As 𝑛 execuções da experiência são independentes e a probabilidade de sucesso é constante durante as

execuções da experiência.

Sendo os acontecimentos A: "Sair bola azul" e B: "Sair bola vermelha"

3 7
𝑃(𝐴) = = 0,3 e 𝑃(𝑉) = = 0,7
10 10

𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 ) ∗ 𝑃(𝐴3 ) = 0,3 ∗ 0,3 ∗ 0,3 = 0,027

AAA 3 bolas azuis 0,027

AAV 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 ) ∗ 𝑃(𝑉3 ) = 0,3 ∗ 0,3 ∗ 0,7 = 0,063

2 bolas azuis e 1
AVA 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 ) ∗ 𝑃(𝐴3 ) = 0,3 ∗ 0,7 ∗ 0,3 = 0,063 0,189
vermelha
VAA 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 ) ∗ 𝑃(𝐴3 ) = 0,7 ∗ 0,3 ∗ 0,3 = 0,063

AVV 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 ) ∗ 𝑃(𝑉3 ) = 0,3 ∗ 0,7 ∗ 0,7 = 0,147

1 bola azul e 2
VAV 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 ) ∗ 𝑃(𝑉3 ) = 0,7 ∗ 0,3 ∗ 0,7 = 0,147 0,441
vermelhas
VVA 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 ) ∗ 𝑃(𝐴3 ) = 0,7 ∗ 0,7 ∗ 0,3 = 0,147
3 bolas
VVV 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 ) ∗ 𝑃(𝑉3 ) = 0,7 ∗ 0,7 ∗ 0,7 = 0,343 0,343
vermelhas

4
 X – “Nº de bolas azuis obtidas na experiência A”

𝑥𝑖 0 1 2 3
𝑓(𝑥𝑖 ) 0,343 0,441 0,189 0,027
𝐹(𝑥𝑖 ) 0,343 0,784 0,973 1

𝐸 (𝑋) = 0 ∗ 0,343 + 1 ∗ 0,441 + 2 ∗ 0,189 + 3 ∗ 0,027 = 0,9

𝐸 (𝑋)2 = 02 ∗ 0,343 + 12 ∗ 0,441 + 22 ∗ 0,189 + 32 ∗ 0,027 = 1,44
𝑉𝑎𝑟(𝑋) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 1,44 − 0,92 = 0,63

5
𝑋 ~ 𝐵𝑖 (𝑛 = 3, 𝑝 = 0,3), sendo 𝑛 o número extrações e 𝑝 a probabilidade de sair uma bola azul

𝑓 (𝑥 ) = C𝑥𝑛 ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
𝐸(𝑋) = 𝑛 ∗ 𝑝
𝑉𝑎𝑟(𝑋) = n ∗ p ∗ (1 − p)

𝑓(0) = 𝐶03 ∗ 0,30 ∗ 0,73 = 0,343

𝑓(1) = 𝐶13 ∗ 0,31 ∗ 0,72 = 0,441 𝐸 (𝑋) = 3 ∗ 0,3 = 0,9
𝑓(2) = 𝐶23 ∗ 0,32 ∗ 0,71 = 0,189 𝑉𝑎𝑟 (𝑋) = 3 ∗ 0,3 ∗ 0,7 = 0,63
𝑓(3) = 𝐶33 ∗ 0,33 ∗ 0,70 = 0,027

6
 Distribuição Hipergeométrica

Quando o resultado da experiência associada a uma variável aleatória numa dada repetição afeta a
probabilidade de sucesso e insucesso da repetição seguinte, deve utilizar-se a Distribuição
Hipergeométrica.

A função de probabilidade de uma variável aleatória que segue uma distribuição hipergeométrica é
dada por:
𝑆! (𝑁 − 𝑆)!
𝐶𝑥𝑆 𝐶𝑛−𝑥
𝑁−𝑆
𝑥! (𝑆 − 𝑥 )! (𝑛 − 𝑥 )! (𝑁 − 𝑆 − 𝑛 + 𝑥 )!
𝑓(𝑥 ) = =
𝐶𝑛𝑁 𝑁!
𝑛! (𝑁 − 𝑛)!

Sendo,
𝑁: Número total de elementos na população 𝑛: Número de repetições na amostra
𝑆: Número total de sucessos na população 𝑥: Número de sucessos na amostra
𝑁 − 𝑆: Número de não sucessos na população 𝑛 − 𝑥: Número de não sucessos na amostra

sos 7
Exemplo: Suponha que temos uma urna com 3 bolas azuis e 7 vermelhas. Retirando sequencialmente
e sem reposição 3 bolas, qual o número de bolas azuis que pode sair?

As 𝑛 execuções da experiência são dependentes e a probabilidade de sucesso não é constante durante

as execuções da experiência.

3 2 1
AAA 3 bolas azuis 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 |𝐴1 ) ∗ 𝑃(𝐴3 |𝐴1 ∩ 𝐴2 ) = ∗ ∗ = 0,0083 0,0083
10 9 8

3 2 7
AAV 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝐴2 |𝐴1 ) ∗ 𝑃(𝑉3 |𝐴1 ∩ 𝐴2 ) = ∗ ∗ = 0,0583
10 9 8
2 bolas azuis e 1 3 7 2
AVA
vermelha 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 |𝐴1 ) ∗ 𝑃(𝐴3 |𝐴1 ∩ 𝑉2 ) = ∗ ∗ = 0,0583 0,175
10 9 8
7 3 2
VAA 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 |𝑉1 ) ∗ 𝑃(𝐴3 |𝑉1 ∩ 𝐴2 ) = ∗ ∗ = 0,0583
10 9 8
3 2 7
AVV 𝑃(𝐴1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝐴1 ) ∗ 𝑃(𝑉2 |𝐴1 ) ∗ 𝑃(𝑉3 |𝐴1 ∩ 𝑉2 ) = ∗ ∗ = 0,175
10 9 8
1 bola azul e 2 7 3 6
VAV
vermelhas 𝑃(𝑉1 ∩ 𝐴2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝐴2 |𝑉1 ) ∗ 𝑃(𝑉3 |𝑉1 ∩ 𝐴2 ) = ∗ ∗ = 0,175 0,525
10 9 8
7 6 3
VVA 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝐴3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 |𝑉1 ) ∗ 𝑃(𝐴3 |𝑉1 ∩ 𝑉2 ) = ∗ ∗ = 0,175
10 9 8
3 bolas 7 6 5
VVV
vermelhas 𝑃(𝑉1 ∩ 𝑉2 ∩ 𝑉3 ) = 𝑃(𝑉1 ) ∗ 𝑃(𝑉2 |𝑉1 ) ∗ 𝑃(𝑉3 |𝑉1 ∩ 𝑉2 ) = ∗ ∗ = 0,2917 0,2917
10 9 8

8
X – “Nº de bolas azuis obtidas na experiência A”

𝑥𝑖 0 1 2 3
𝑓(𝑥𝑖 ) 0,2917 0,525 0,175 0,0083
𝐹(𝑥𝑖 ) 0,2917 0,8167 0,9917 1,0000

9
𝑋 ~ 𝐻 (𝑁 = 10, 𝑆 = 3, 𝑛 = 3), sendo 𝑁 o número total de bolas, 𝑆 o número total de bolas azuis e 𝑛
o número de extrações.

𝐶𝑥𝑆 𝐶𝑛−𝑥
𝑁−𝑆
𝑓(𝑥 ) =
𝐶𝑛𝑁

𝐶03 ∗ 𝐶37 𝐶23 ∗ 𝐶17

𝑓(0) = = 0,0,2917 𝑓(2) = = 0,175
𝐶310 𝐶310
𝐶13 ∗ 𝐶27 𝐶33 ∗ 𝐶07
𝑓(1) = = 0,525 𝑓(3) = = 0,0083
𝐶310 𝐶310

10
 Distribuição de Poisson

A Distribuição de Poisson é o modelo utilizado para fenómenos aleatórios em que existem sucessos
pontuais que se repetem ao longo de uma unidade de tempo.

Assunções da distribuição de Poisson:

 Os sucessos aparecem pontualmente, repetindo-se aleatoriamente num intervalo de tempo;
 O número médio de ocorrências num determinado intervalo de tempo ou espaço é proporcional à
amplitude desse intervalo;
 O número de ocorrências num determinado intervalo de tempo ou espaço é independente do
número de ocorrências noutros intervalos.

Uma variável aleatória X que siga uma distribuição de Poisson tem a seguinte função de probabilidade:
𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥 ) = , para 𝑥 = 0, 1, 2, … , 𝑛 𝑒 𝜆 > 0
𝑥!

Sendo,
λ é a taxa média de sucessos num dado intervalo de tempo ou espaço
𝑒 = 2,71828
𝑥 é o número de sucessos num dado intervalo de tempo ou espaço

11
A média e a variancia de uma variável aleatória X que segue uma distribuição de Poisson é:
𝐸 (𝑋) = 𝑉𝑎𝑟(𝑋) = 𝜆

Com a distribuição de Poisson também é frequente utilizarem-se resultados aproximados, sobretudo

no que toca ao cálculo de probabilidades cumulativas (ver tabelas).

Exemplo: Dados demonstram que, em média, ocorrem 0,4 greves por ano na indústria do calçado.
a) Qual é a probabilidade de num ano ocorrer uma greve?
𝑒 −𝜆 𝜆𝑥 𝑒 −0,4 0,41
𝑓(1) = = = 0,2681
𝑥! 1!

b) Qual a probabilidade de ocorrerem 3 greves em 2 anos?

𝑒 −𝜆 𝜆𝑥 𝑒 −0,8 0,83
𝜆 = 2 ∗ 0,4 = 0,8 logo 𝑓(3) = = = 0,0383
𝑥! 3!

Aproximação da Distribuição Binomial à Distribuição de Poisson

Seja X uma variável aleatória que segue uma distribuição Binomial com média 𝑛 ∗ 𝑝 e seja 𝑥 o número
de sucessos resultante de 𝑛 experiências independentes, cada uma com probabilidade de sucesso 𝑝.
12
Quando n é grande (𝒏 ≥ 𝟐𝟎) e p é pequeno (𝒑 ≤ 𝟎, 𝟏), a distribuição Binomial pode ser aproximada
pela distribuição de Poisson, com 𝝀 = 𝒏 ∗ 𝒑.

Nesse caso, a função de probabilidade de uma variável X que siga uma distribuição binomial pode ser
calculada de forma aproximada por:

𝑒 −𝑛𝑝 𝑛𝑝𝑥
𝑓(𝑥 ) = , para 𝑥 = 0, 1, 2, …
𝑥!

13